Learning-based predictive algorithms for embedded and distributed platforms in the study of brain waves

Abstract

[EN] Neurological disorders are one of the leading causes of death worldwide. Every year, roughly 6.8 million people die of brain-related maladies like strokes, epilepsy, seizures, etc. Nearly one in every six people around the world suffer from such neurological disorders. Predicting the occurrences of such anomalies in real-time could be very useful in mitigating their fatal effects by taking relevant precautionary measures. However, state-of-the-art techniques mostly focus on accurately detecting, or predicting, each disorder separately. Furthermore, these predictions might not occur in real-time, as they typically employ compute-intensive algorithms, rendering the prediction useless. Towards this, we present a real-time framework that analyzes and compares the input with all the EEG signals in our mega-database (MDB), which is a combination of multiple open-source EEG datasets, to predict the probability of occurrence of an anomaly. The proposed framework is two-tiered; a cloud system is used for performing the compute- and memory-intensive large-scale signal cross-correlation while the edge devices, such as wearables and sensor platforms, are used for achieving real-time signal tracking. Using the proposed framework, we have observed a prediction accuracy of 85% percentage for the different anomalies that we have tested using our mega-database.

[ES] Los desórdenes neurológicos son una de las principales causas de muerte en todo el mundo. Cada año, en torno a 6.8 millones de personas mueren de enfermedades relacionadas con el cerebro, como ACV, epilepsia, convulsiones, etc. Casi una de cada seis personas sufren estos desórdenes neurlógicos. Predecir la ocurrencia de estas anomalías en tiempo real podría ser muy útil en mitigar sus efectos fatales con medidas preventivas. Sin embargo, las técnicas más novedosas se centran principalmente en detectar o predecir cada enfermedad por separado. Además, estas predicciones pueden no ocurrir en tiempo real, ya que típicamente utilizan algoritmos computacionalmente costosos. Hacia esto, presentamos un sistema en tiempo real que analiza y compara la señal del paciente con todas las señales de nuestra mega base de datos(MDB), la cual es una combinación de múltiples datasets liberados de señales cerebrales, para predecir la probabilidad de una anomalía. El sistema propuesto consta de dos niveles; un sistema cloud usado para las tareas computacionalmente costosas de similitud de señales, y los terminales, como complementos y plataformas sensoriales, son utilizados para el procesamiento en tiempo real. Usando el sistema propuesto, hemos observado una precisión del 85% para las diferentes anomalías con las que hemos puesto a prueba nuestra mega base de datos.